EP4229605B1 - Normalisation de comptes de parties d'intérêt de plantes - Google Patents

Normalisation de comptes de parties d'intérêt de plantes

Info

Publication number
EP4229605B1
EP4229605B1 EP21816601.5A EP21816601A EP4229605B1 EP 4229605 B1 EP4229605 B1 EP 4229605B1 EP 21816601 A EP21816601 A EP 21816601A EP 4229605 B1 EP4229605 B1 EP 4229605B1
Authority
EP
European Patent Office
Prior art keywords
plant
range
interest
parts
count
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
EP21816601.5A
Other languages
German (de)
English (en)
Other versions
EP4229605A1 (fr
Inventor
Zhiqiang Yuan
Bodi Yuan
Ming Zheng
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deere and Co
Original Assignee
Deere and Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deere and Co filed Critical Deere and Co
Publication of EP4229605A1 publication Critical patent/EP4229605A1/fr
Application granted granted Critical
Publication of EP4229605B1 publication Critical patent/EP4229605B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D45/00—Harvesting of standing crops
    • A01D45/22—Harvesting of standing crops of beans
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Claims (15)

  1. Procédé implémenté à l'aide d'un ou plusieurs processeurs, comprenant :
    le traitement (502) d'une ou plusieurs images numériques représentant un sommet d'une première plante, dans lequel les une ou plusieurs images numériques représentant le sommet de la première plante sont acquises par un capteur de vision à mesure de portée (108) transporté par-dessus le sommet de la première plante par un véhicule au sol ;
    sur la base du traitement :
    à l'aide de données de distance générées par le capteur de vision à mesure de portée, l'estimation (504) d'une distance entre le capteur de vision à mesure de portée et le sommet de la première plante, dans lequel la distance est une portée à la canopée ;
    l'estimation (506) d'une hauteur de la première plante ; et
    la détermination (508) d'un compte de parties de plante d'intérêt visibles qui ont été capturées dans un champ de vision du capteur de vision à mesure de portée ;
    la normalisation (510) du compte de parties de plante d'intérêt visibles de la première plante, sur la base de la portée à la canopée estimée, afin d'ajuster le compte pour une distance entre le capteur de vision à mesure de portée et le sommet de la première plante par rapport à un compte de parties de plante d'intérêt visibles déterminé à partir d'une ou plusieurs images numériques capturant une seconde plante ; et
    la prédiction (512) d'un rendement agricole à l'aide du compte normalisé de parties de plante d'intérêt visibles et de la hauteur de la première plante ;
    dans lequel la normalisation (510) du compte de parties de plante d'intérêt visibles de la première plante comprend la division du compte de parties de plante d'intérêt visibles de la première plante soit :
    par la portée à la canopée estimée ; soit
    par une puissance de la portée à la canopée estimée, dans lequel la puissance est une seconde puissance, une puissance non entière, ou une combinaison des deux.
  2. Procédé selon la revendication 1, dans lequel la portée à la canopée est estimée sur la base d'une distribution des valeurs de portée par pixels d'une ou plusieurs des images numériques capturant la première plante, dans lequel les valeurs de portée par pixels sont générées par le capteur de vision à mesure de portée.
  3. Procédé selon la revendication 2, dans lequel la portée à la canopée est calculée en tant que quantile de la distribution de valeurs de portée par pixels.
  4. Procédé selon l'une quelconque des revendications 1 à 3, dans lequel le compte de parties de plante d'intérêt visibles est déterminé à l'aide d'un réseau neuronal convolutionnel entraîné à détecter les parties de plante d'intérêt.
  5. Procédé selon l'une quelconque des revendications 1 à 3, dans lequel les parties de plante d'intérêt visibles comprennent des gousses de haricots et/ou dans lequel les première et seconde plantes sont des variétés différentes de soja.
  6. Système comprenant un ou plusieurs processeurs et une mémoire stockant des instructions qui, en réponse à l'exécution des instructions par les un ou plusieurs processeurs, amènent les un ou plusieurs processeurs à :
    traiter (502) une ou plusieurs images numériques représentant un sommet d'une première plante, dans lequel les une ou plusieurs images numériques représentant le sommet de la première plante sont acquises par un capteur de vision à mesure de portée (108) transporté par-dessus le sommet de la première plante par un véhicule au sol ;
    sur la base du traitement :
    à l'aide de données de distance générées par le capteur de vision à mesure de portée, estimer (504) une distance entre le capteur de vision à mesure de portée et le sommet de la première plante, dans lequel la distance est une portée à la canopée ;
    estimer (506) une hauteur de la première plante ; et
    déterminer (508) un compte de parties de plante d'intérêt visibles qui ont été capturées dans un champ de vision du capteur de vision à mesure de portée ;
    normaliser (510) le compte de parties de plante d'intérêt visibles de la première plante, sur la base de la portée à la canopée estimée, afin d'ajuster le compte pour une distance entre le capteur de vision à mesure de portée et le sommet de la première plante par rapport à un compte de parties de plante d'intérêt visibles déterminé à partir d'une ou plusieurs images numériques capturant une seconde plante ; et
    prédire (512) un rendement agricole à l'aide du compte normalisé de parties de plante d'intérêt visibles et de la hauteur de la première plante ;
    dans lequel la normalisation (510) du compte de parties de plante d'intérêt visibles de la première plante comprend l'action d'amener les un ou plusieurs processeurs à diviser le compte de parties de plante d'intérêt visibles de la première plante soit :
    par la portée à la canopée estimée ; soit
    par une puissance de la portée à la canopée estimée, dans lequel la puissance est une seconde puissance, une puissance non entière, ou une combinaison des deux.
  7. Système selon la revendication 6, dans lequel la portée à la canopée est estimée sur la base d'une distribution de valeurs de portée par pixels d'une ou plusieurs des images numériques capturant la première plante, dans lequel les valeurs de portée par pixels sont générées par le capteur de vision à mesure de portée.
  8. Système selon la revendication 8, dans lequel la portée à la canopée est calculée en tant que quantile de la distribution de valeurs de portée par pixels.
  9. Système selon la revendication 6, dans lequel le compte de parties de plantes d'intérêt visibles est déterminé à l'aide d'un réseau neuronal convolutionnel entraîné à détecter les parties de plante d'intérêt.
  10. Système selon la revendication 6, dans lequel les parties de plante d'intérêt visibles comprennent des gousses de haricots et/ou dans lequel les première et seconde plantes sont des variétés différentes de plantes de soja.
  11. Support non transitoire lisible par ordinateur comprenant des instructions qui, une fois exécutées par un processeur, amènent le processeur à réaliser les opérations suivantes :
    le traitement (502) d'une ou plusieurs images numériques représentant un sommet d'une première plante, dans lequel les une ou plusieurs images numériques représentant le sommet de la première plante sont acquises par un capteur de vision à mesure de portée (512) transporté par-dessus le sommet de la première plante par un véhicule au sol ;
    sur la base du traitement :
    à l'aide de données de distance générées par le capteur de vision à mesure de portée, l'estimation (504) d'une distance entre le capteur de vision à mesure de portée et le sommet de la première plante, dans lequel la distance est une portée à la canopée ;
    l'estimation (506) d'une hauteur de la première plante ; et
    la détermination (508) d'un compte de parties de plante d'intérêt visibles qui ont été capturées dans un champ de vision du capteur de vision à mesure de portée ;
    la normalisation (510) du compte de parties de plante d'intérêt visibles de la première plante, sur la base de la portée à la canopée estimée, afin d'ajuster le compte pour une distance entre le capteur de vision à mesure de portée et le sommet de la première plante par rapport à un compte de parties de plante d'intérêt visibles déterminé à partir d'une ou plusieurs images numériques capturant une seconde plante ; et
    la prédiction (512) d'un rendement agricole à l'aide du compte normalisé de parties de plante d'intérêt visibles et de la hauteur de la première plante ;
    dans lequel la normalisation (510) du compte de parties de plante d'intérêt visibles de la première plante comprend la division du compte de parties de plante d'intérêt visibles de la première plante soit :
    par la portée à la canopée estimée ; soit
    par une puissance de la portée à la canopée estimée, dans lequel la puissance est une seconde puissance, une puissance non entière, ou une combinaison des deux.
  12. L'au moins un support non transitoire lisible par ordinateur selon la revendication 11, dans lequel la portée à la canopée est estimée sur la base d'une distribution de valeurs de portée par pixels d'une ou plusieurs des images numériques capturant la première plante, dans lequel les valeurs de portée par pixels sont générées par le capteur de vision à mesure de portée.
  13. L'au moins un support non transitoire lisible par ordinateur selon la revendication 12, dans lequel la portée à la canopée est calculée en tant que quantile de la distribution de valeurs de portée par pixels.
  14. L'au moins un support non transitoire lisible par ordinateur selon la revendication 11, dans lequel le compte de parties de plante d'intérêt visibles est déterminé à l'aide d'un réseau neuronal convolutionnel entraîné à détecter les parties de plante d'intérêt.
  15. L'au moins un support non transitoire lisible par ordinateur selon la revendication 11, dans lequel les parties de plante d'intérêt comprennent des gousses de haricots.
EP21816601.5A 2020-11-17 2021-11-05 Normalisation de comptes de parties d'intérêt de plantes Active EP4229605B1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/950,037 US11532080B2 (en) 2020-11-17 2020-11-17 Normalizing counts of plant-parts-of-interest
PCT/US2021/058240 WO2022108770A1 (fr) 2020-11-17 2021-11-05 Normalisation de comptes de parties d'intérêt de plantes

Publications (2)

Publication Number Publication Date
EP4229605A1 EP4229605A1 (fr) 2023-08-23
EP4229605B1 true EP4229605B1 (fr) 2026-04-22

Family

ID=78820079

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21816601.5A Active EP4229605B1 (fr) 2020-11-17 2021-11-05 Normalisation de comptes de parties d'intérêt de plantes

Country Status (4)

Country Link
US (2) US11532080B2 (fr)
EP (1) EP4229605B1 (fr)
CA (1) CA3198941A1 (fr)
WO (1) WO2022108770A1 (fr)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11532080B2 (en) 2020-11-17 2022-12-20 X Development Llc Normalizing counts of plant-parts-of-interest
US11622495B2 (en) * 2021-06-01 2023-04-11 Gint Co., Ltd. Method of automatically combining farm vehicle and work machine and farm vehicle
US20230076104A1 (en) * 2021-08-26 2023-03-09 Semiosbio Technologies Inc. Crop phenology characterization method, and system using same
US11995859B2 (en) 2021-10-28 2024-05-28 Mineral Earth Sciences Llc Sparse depth estimation from plant traits
US12231616B2 (en) * 2021-10-28 2025-02-18 Deere & Company Sparse and/or dense depth estimation from stereoscopic imaging
WO2024025964A1 (fr) * 2022-07-29 2024-02-01 Monsanto Technology Llc Procédés et systèmes destinés à être utilisés dans une analyse basée sur le balayage de cultures
EP4393293A1 (fr) * 2023-01-02 2024-07-03 KWS SAAT SE & Co. KGaA Procédé d'analyse de cultures hors sol dans un champ agricole
AR131208A1 (es) * 2023-07-13 2025-02-26 Univ Dalhousie Aparato y método de registro de una ubicación de almacenamiento por tamaño para tubérculos cosechados

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10721859B2 (en) * 2017-01-08 2020-07-28 Dolly Y. Wu PLLC Monitoring and control implement for crop improvement
US20210158041A1 (en) * 2017-08-25 2021-05-27 The Board Of Trustees Of The University Of Illinois Apparatus and method for agricultural data collection and agricultural operations

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5897619A (en) 1994-11-07 1999-04-27 Agriperil Software Inc. Farm management system
JP2003006612A (ja) 2001-06-20 2003-01-10 Ntt Data Corp 収穫予測装置及び方法
US8577616B2 (en) 2003-12-16 2013-11-05 Aerulean Plant Identification Systems, Inc. System and method for plant identification
US9658201B2 (en) * 2013-03-07 2017-05-23 Blue River Technology Inc. Method for automatic phenotype measurement and selection
GB201501882D0 (en) 2015-02-05 2015-03-25 Technology Res Ct The Ltd Apparatus and method for analysis of growing items
US10685408B2 (en) * 2015-03-27 2020-06-16 Omniearth, Inc. System and method for predicting crop yield
DE102015221085A1 (de) 2015-10-28 2017-05-04 Robert Bosch Gmbh Verfahren und Informationssystem zum Erkennen zumindest einer auf einem Feld angepflanzten Pflanze
WO2017106874A1 (fr) 2015-12-18 2017-06-22 Intellifarm, Inc. Système agricole intégré autonome
US10204270B2 (en) 2016-11-17 2019-02-12 Fruitspec Ltd Method and system for crop yield estimation
US10586105B2 (en) 2016-12-30 2020-03-10 International Business Machines Corporation Method and system for crop type identification using satellite observation and weather data
US10255670B1 (en) 2017-01-08 2019-04-09 Dolly Y. Wu PLLC Image sensor and module for agricultural crop improvement
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
CN108376419B (zh) * 2017-12-11 2020-06-26 江苏大学 一种盆栽生菜的综合长势监测方法及装置
US10719709B2 (en) * 2018-04-06 2020-07-21 Cnh Industrial America Llc Augmented reality for plant stand management
US11532080B2 (en) 2020-11-17 2022-12-20 X Development Llc Normalizing counts of plant-parts-of-interest

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10721859B2 (en) * 2017-01-08 2020-07-28 Dolly Y. Wu PLLC Monitoring and control implement for crop improvement
US20210158041A1 (en) * 2017-08-25 2021-05-27 The Board Of Trustees Of The University Of Illinois Apparatus and method for agricultural data collection and agricultural operations

Also Published As

Publication number Publication date
WO2022108770A1 (fr) 2022-05-27
CA3198941A1 (fr) 2022-05-27
US11532080B2 (en) 2022-12-20
US20220156917A1 (en) 2022-05-19
US11830191B2 (en) 2023-11-28
EP4229605A1 (fr) 2023-08-23
US20230072361A1 (en) 2023-03-09

Similar Documents

Publication Publication Date Title
EP4229605B1 (fr) Normalisation de comptes de parties d'intérêt de plantes
US12166952B2 (en) Plant feature detection using captured images
US11756232B2 (en) Edge-based crop yield prediction
US11991946B2 (en) Adaptively adjusting parameters of equipment operating in unpredictable terrain
US11882784B2 (en) Predicting soil organic carbon content
US12231616B2 (en) Sparse and/or dense depth estimation from stereoscopic imaging
US11941879B2 (en) Edge-based processing of agricultural data
US11995859B2 (en) Sparse depth estimation from plant traits
US12462551B2 (en) Tracking objects with changing appearances
US11915421B2 (en) Auditing task performance
Kurtser et al. The use of dynamic sensing strategies to improve detection for a pepper harvesting robot
US12205368B2 (en) Aggregate trait estimation for agricultural plots
US12175303B2 (en) Adaptively reallocating resources of resource-constrained devices
US12001512B2 (en) Generating labeled synthetic training data
Ahn et al. An overview of perception methods for horticultural robots: From pollination to harvest
US20260051073A1 (en) Plant Phenotyping
US12149582B2 (en) Dynamic allocation of platform-independent machine learning state machines between edge-based and cloud-based computing resources

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230515

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: DEERE & COMPANY

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250326

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

GRAJ Information related to disapproval of communication of intention to grant by the applicant or resumption of examination proceedings by the epo deleted

Free format text: ORIGINAL CODE: EPIDOSDIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

RIN1 Information on inventor provided before grant (corrected)

Inventor name: YUAN, ZHIQIANG

Inventor name: YUAN, BODI

Inventor name: ZHENG, MING

INTG Intention to grant announced

Effective date: 20251212

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: CH

Ref legal event code: F10

Free format text: ST27 STATUS EVENT CODE: U-0-0-F10-F00 (AS PROVIDED BY THE NATIONAL OFFICE)

Effective date: 20260422

Ref country code: GB

Ref legal event code: FG4D